一种交通流量的预测方法、系统及终端设备技术方案

本申请适用于交通预测技术领域，提供了一种交通流量的预测方法、系统及终端设备，所述方法包括：采集目标地区指定时间段内的交通数据，对交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征，将空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；根据空间特征和时间特征建立预测模型，以根据预测模型对目标地区的交通流量进行预测。本申请将基于注意力机制的图卷积神经网络应用于交通领域的预测问题中，该方法在复杂道路结构中能够更好的挖掘道路交通网络中的高维特征，搭配上经过改良的循环神经网络提高了交通流量预测的准确度，特别是在中长期的预测中提升效果明显。

A prediction method, system and terminal equipment of traffic flow

【技术实现步骤摘要】
一种交通流量的预测方法、系统及终端设备
本申请涉及交通预测
，尤其涉及一种交通流量的预测方法、系统、终端设备及计算机可读存储介质。
技术介绍
准确的交通条件实时预测对于道路使用者，私营部门和政府来说至关重要。广泛使用的运输服务，例如流量控制，路线规划和导航，也在很大程度上依赖于高质量的交通状况评估。一般而言，多尺度交通预测是城市交通控制和引导的前提和基础，也是智能交通系统(ITS)的主要功能之一。在交通研究中，通常选择交通流量的基本变量，即速度，密度和占有率作为监测交通状况的当前状态和预测未来的指标。根据预测的长度，交通预测通常分为两个等级：短期(5～30分钟)，中期和长期(超过30分钟)。交通预测研究的方法主要可以分为参数模型和非参数模型，而非参数模型又可以分为基于机器学习方法和基于深度学习方法。参数模型以回归函数为前提，通过处理原始数据确定参数，然后基于回归函数实现交通预测。时间序列模型，线性回归模型和卡尔曼滤波模型是常用的方法。时间序列模型将观察到的时间序列拟合到参数模型中以预测未来数据。线性回归模型基于历史交通数据构建回归本文档来自技高网...

【技术保护点】
1.一种交通流量的预测方法，其特征在于，所述预测方法包括：/n采集目标地区指定时间段内的交通数据，所述指定时间段包括当前N小时，前一天同一时间段的N小时以及前一周对应日相同时间段的N小时；/n对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征；/n将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；/n根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。/n

【技术特征摘要】
1.一种交通流量的预测方法，其特征在于，所述预测方法包括：
采集目标地区指定时间段内的交通数据，所述指定时间段包括当前N小时，前一天同一时间段的N小时以及前一周对应日相同时间段的N小时；
对所述交通数据进行图卷积网络训练，捕获城市道路网络的拓扑结构以获得空间特征；
将所述空间特征的时间序列输入到门控循环单元模型中，通过单元之间的信息传递获得动态变化，以捕获时间特征；
根据所述空间特征和所述时间特征建立预测模型，以根据所述预测模型对目标地区的交通流量进行预测。


2.根据权利要求1所述的预测方法，其特征在于，在所述采集目标地区指定时间段内的交通数据之前包括：
检测目标地区的道路分布，根据所述道路分布构建道路网络图，其中，每个节点代表一条道路。


3.根据权利要求2所述的预测方法，其特征在于，所述捕获城市道路网络的拓扑结构以获得空间特征，包括：
根据所述交通数据构建邻接矩阵和特征矩阵；
通过所述接矩阵和特征矩阵获取节点之间的空间特征，构建GAT模型；
通过所述GAT模型获取道路网络拓扑结构的空间特征。


4.根据权利要求3所述的预测方法，其特征在于，捕获时间特征还包括，
根据所述空间特征获取所述道路网络图中各节点的高纬度表示；
将所述高纬度表示进行循环神经网络训练后得到预测值；
根据所述预测值构建预测模型。


5.根据权利要求2所述的预测方法，其特征在于，在所述采集所述道路网络图中指定时间段内的交通数据之后包括：
将每小时内所获取的交通数据按照五分钟的间隔分为12个单元，将一个单元内一个交通探头...

【专利技术属性】
技术研发人员：叶可江，田科烺，须成忠，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44